改进的量子遗传算法在冷连轧机负荷分配中的应用研究

量子遗传算法可以克服常规遗传算法迭代次数多、易陷入局部极值的缺点,本文研究并改进了量子遗传算法的量子门旋转角度更新策略,提高了量子遗传算法的性能.应用标准函数测试表明,改进后的量子遗传算法收敛速度快,全局寻优能力更强.将改进的量子遗传算法应用于冷连轧机的负荷分配优化过程,根据Bland-Ford轧制理论以功率和轧制力均衡分配为目标建立综合目标函数,试验数据对比证明,量子遗传算法优化所得的轧制参数比经验分配和常规遗传算法优化所得结果更为合理,符合轧制工艺要求.因此,利用量子遗传算法对冷连轧机进行负荷分配优化是一种有效可行的新方法.     

多基地多UCAV任务分配建模及求解方法

为有效求解多基地情形下的无人作战飞机(UCAV)任务分配问题,在考虑任务收益、任务负载以及时间因素的条件下,建立了多基地多无人作战飞机的任务分配模型,并提出采用初始分配和动态分配相结合的求解方法.为提高初始任务分配问题的求解效率,将量子遗传算法融入了扩展紧致遗传算法的边缘积模块思想中,提出一种分布估计量子遗传算法(ED-QGA),用于初始全局最优分配,当出现突发动态任务时,采用合同网进行分配方案的局部调整.最后对提出模型和算法进行了仿真分析.结果表明,相比基于种群的增量学习算法和多粒度的量子遗传算法,分布估计量子遗传算法求解获得效能值分别提高了33. 4%和7. 2%,与基本合同网和扩展合同网相比,效能值分别提高了9. 2%和5%,因此能够有效提高UCAV整体作战效能.     

量子蜂群算法及其在认知频谱分配中的应用

基于人工蜂群理论和量子计算,提出一种新的离散组合优化算法——量子蜂群优化算法.该量子蜂群算法使用2种新的量子觅食行为完成整个量子蜂群的协同演进,快速找到最优的蜜源位置,通过对优化函数的测试验证其高效性.以该量子蜂群算法为基础,提出一种认知无线电频谱分配算法,与经典的遗传算法,量子遗传算法和粒子群算法等智能优化算法及敏感图论着色算法在不同的网络效益函数下进行仿真性能比较.仿真结果表明:本文提出的量子蜂群频谱分配算法均能够较好地找到最优解,优于经典的频谱分配算法和已有的智能频谱分配算法.     

改进量子遗传算法在光谱分配中的应用

本文在量子遗传算法的基础上进行改进,添加灾变操作来避免算法陷入局部收敛,克服早熟,收敛较慢,以及适应度标定方式的多样性等问题。通过在Matlab7.0环境下进行仿真实验,在三种不同的目标函数下与颜色敏感图着色算法进行比较,分析得出改进量子遗传算法能够通过更少的迭代次数获得利用率更高的光谱分配。     

基于量子算法的MIMO-OFDM信号检测研究

信号的最优检测在常规条件下是-NP难解问题,针对RBF(径向基函数)神经网络算法易陷入局部极值和简单遗传算法收敛速度慢的问题,文中提出了新型的量子智能算法,并应用于MIMO-OFDM系统信号检测中:算法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,在遗传算法优化神经网络时采用量子计算操作.由于QGA(量子遗...     

多宇宙并行量子遗传神经网络人脸识别算法研究

针对传统遗传算法交叉、变异过程过于繁琐和神经网络在极值判断及收敛速度受限等问题,提出了一种并行的量子遗传算法优化神经网络权值的算法.首先引入了量子计算的概念,在量子计算的过程中使用量子旋门实现染色体的训练,然后引入量子交叉克服了早熟收敛现象,避免了遗传算法中繁琐的交叉、变异过程.最后设计实现了并行的卷积神经网络,使用并行量子遗传算法优化了卷积神经网络权值,实现了并行量子遗传神经网络人脸识别系统.实验结果表明,相对于原来的遗传算法,该算法在鲁棒性和实验速度上都有明显的提高.     

浅谈量子遗传算法

量子遗传算法是20世纪90年代后期应量子计算而产生的一个新兴研究领域。本文在阐述量子遗传算法的基本思想的基础上,介绍了量子比特编码方法和量子门旋转操作,以及量子遗传算法求解问题的基本步骤和方法。     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向.将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型.仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能.     

混沌变步长量子遗传算法

针对多数量子遗传算法在搜索解时没有充分利用搜索过程中的先验知识的问题,结合混沌运动的遍历性和量子遗传算法的群体搜索性,提出一种基于混沌变尺度梯度下降的量子遗传算法.算法采用梯度下降法对量子遗传操作获得的优良个体进行局部搜索,引导种群的进化.结合混沌优化策略产生自适应步长,在搜索初期加快寻优速度,随着搜索逐渐接近最优点,混沌产生的小步长实现在最优解所在的小范围内进行精确搜索.实验结果表明,该方法的综合性能优于传统的量子遗传算法及遗传算法.     

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。     

一种基于量子遗传算法的多播路由算法

提出了一种基于量子遗传算法QGA（quantum genetic algorithm）解决多播QoS（quality of service）路由问题的算法．介绍了量子遗传算法的基本原理，给出了算法实现的方法和具体流程，并进行了量子遗传算法在多播路由选择优化方面的仿真实验，证明了量子遗传算法优于常规遗传算法．     

量子遗传算法在永磁同步轮毂电机优化设计中的应用

量子遗传算法具有种群规模小而不影响算法性能、收敛速度快和全局搜索能力强等优点。为了获得高功率密度和低成本的电动车用轮毂电机,基于量子遗传算法,针对研究设计的一种外转子永磁同步轮毂电机,以电机有效质量、材料成本和功率损耗为优化目标,建立了包含8个设计变量和5个约束的数学模型,对电机进行优化设计。研究结果表明:永磁同步轮毂电机有效质量、材料成本和功率损耗降低,效率特性提升,有限元分析结果与量子遗传算法计算结果接近,能满足电动车对驱动轮毂电机的使用要求,因此,量子遗传算法对于轮毂电机优化设计是有效可行的。     

分组量子遗传算法及其应用

量子遗传算法是一种高效的并行算法，但它易陷入局部极值。提出一种分组量子遗传算法，通过分层、分组等方法，保证了染色体的多样性。典型函数测试结果表明，分组量子遗传算法具有全局最优性，其性能优于其它几种遗传算法和QGA。     

基于改进量子遗传算法的WSNs多路径路由研究

最优路径搜寻和能量优化是无线传感器网络(wireless sensor networks,WSNs)研究的两大关键性问题,基于簇结构的无线传感器网络模型,将改进的量子遗传算法引入WSNs网络层节能路由算法研究中,选取多条较优染色体代替一条最优染色体指导群体的进化;采用动态的量子旋转门调整策略,避免算法收敛于局部最优解;利用球面坐标角度对量子遗传算法编码,降低算法的复杂度;以路由所耗能量为优化目标,构造适应度函数。与基于传统遗传算法（genetic algorithm, GA）、标准量子遗传算法(quantum genetic algorithms, QGA)的多路径路由进行比较,实验表明,该算法比基于GA,QGA算法的多路径路由具有更低的网络能量消耗,更长的网络生存周期。     

一种基于PSO思想的改进量子遗传算法

文章提出一种基于PSO思想的改进量子遗传算法.将PSO中的合作机制和记忆功能引入到QGA中,构造种群个体与当前最优解的距离参量,根据每个个体与当前最优解距离大小智能地控制旋转角的大小,使旋转角能够根据个体的进化差异选择不同旋转角的自适应调整进化过程,从而使算法始终保持合适的搜索网格,加快算法收敛,同时也可以保证能够收敛...     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于并行量子遗传算法的QoS组播路由方法

通信网络时延受限且满足带宽要求的最小代价组播树问题是NP完全问题,传统方法难以求解,一般采用启发式方法求解.提出了一种基于并行量子遗传算法的服务质量(QoS)组播路由算法,算法中将各个子群体独立地并行进化,并通过相邻子群体间的信息交换实现克服早熟,避免局部收敛的目的,还提出了一种新的动态旋转角调整策略,使算法具有更好的种群多样性和全局寻优能力.仿真实验表明,新算法在求解性能上优于遗传算法(GA)和采用静态旋转角的量子遗传算法(QGA).     

基于量子遗传算法的成品门幅模型参数优化设计

为了解决热定型中影响成品织物门幅的工艺参数难以定量设计的关键技术难题。提出了将量子遗传算法用于成品门幅模型工艺参数优化设计中。建立优化模型,基于该模型采用量子遗传算法,实现了影响成品门幅的工艺参数精确定量设计。用该方法得到的工艺参数加工弹力布,生产成品的门幅与用户要求指标的偏差小于0.1%,完全满足实际生产要求。同时将量子遗传算法与遗传算法在工艺参数的优化设计中进行比较,得出当迭代种群逐渐增大时,量子遗传算法在工艺参数的优化设计中的优势更加明显。